最近关于交换机可以支持2.5 GbE和5 GbE的端口速度的报道越来越多,是时候看看这个非常有意思的进步到底会给网络市场带来哪些影响了,无论是有线网络和无线网络。实际上,这里是基于802.11ac的千兆级无线局域网推动了这种需求;毕竟,目前有很多部署在网络有线边界的以太网交换机上的WLAN产品可以很容易扩展到1 GbE的端口速度。
交换带宽1 Gbps的下一个起点就是10 Gbps,但是这里的最基本要求是CAT-6缆线,这也就意味着那些使用CAT-5e缆线的架构不能利用10 Gbps,至少在额定性能的吞吐量和距离上不能用。并且,10 GbE交换机一直都比1 GbE交换机要贵很多,而且是基于每个端口的。
这就是为什么2.5 GbE和5 GbE技术有意思的原因。它规定了符合当今802.11ac接入点(AP)的能力,但是要在CAT-5e缆线之上。这意味着提升性能不再需要改变或者替换布线。但是,面临这种常有的情况,则需要考虑一些新的问题:
• 虽然不需要重新布线,但还是需要使用新的交换机。为此,IT经理需要评估价格/性能,确定添加或更换这些交换机以后的纯收益。当然,他们还需要一笔预算来进行这项升级,因为他需要考虑到以后的几年内基于这些量化的好处带来的一些优先级需求。这里的关键问题是2.5 GbE和5 GbE的使用寿命:那么,最终是否会考虑10 GbE呢?
• 不用升级布线架构就可以获得额外的吞吐量,这种情况确实很吸引人,但是这里也有很多问题需要考虑。所有新安装的缆线都需要CAT-6以上,但是更换线缆可能比许多人知道的还要简单:只需要将新线缆连接到旧线缆上就可以了。当然,有时候也不太容易,但是并不是每个连接都需要升级。事实上,在短距离传输时,10 GbE在CAT-5e缆线上也可以工作的很好;根据我的经验,可以超过50米。由于AP经常是密集部署的,所以在很多情况下,这种方式都适用。
• 另一个需要权衡的问题是10 GbE交换机的成本较高,而且是基于每个端口的价格。但是这里要注意的问题是,10 GbE的价格下降的会有多快,就像网络设备价格的情况。我们都认为10 GbE价格会下降的很快。此外,我们认为最终会有对10 GbE性能的需求。这就是说,如今还是需要考虑接入成本。组织应该对2.5千兆以太网和5千兆以太网交换机以及10 GbE交换机每个端口的价格进行详细的分析,最好是通过竞标过程。这个差别是可管理的,如果不能忽略不计。
• 这又给我们带来了更重要的问题:如何解决下一代无线局域网(WLAN)。802.11ad协议可以实现近7 Gbps的速度,而IEEE现在到2018年左右正在开发的.11ax,是针对10 Gbps以上的情况设计的。同时, Wave 2千兆Wi-Fi应该可以适应5 Gbps链路;即使802.11ac规定是到6.7 Gbps。这些产品不可能是相同的,因为它们涉及使用8个多输入输出流,这在移动设备上是很难实现的(记住,这是8个频段和8根天线,即使有一个也是对逻辑上和电力上的挑战)。但是双频段的Wave 2 AP在很多情况下会超过2.5 Gbps;我们的实验室已经有很多这样的设备了,有一些甚至还超过了5 Gbps。
这些问题都考虑好了以后还要记住,2.5和5 GbE标准目前还正在发展阶段,至少有两大阵营的竞争:NBASE-T和MGBASE-T。但是,我们并不认为购买这些产品会有多大风险,因为这些产品肯定是兼容性的,能够符合任何标准。但是值得注意的是,10 GbE标准也已经有一段时间了。
这确实是个困境。但是很明确的是,所有IT部门在一个情况下都会需要,就是为了最大程度的利用现在或将来的无线局域网而升级他们现有的以太网交换机时。但是2.5和5 GbE是被视为特定产品上的性能边界,可能在未来两三年内遇到另一局部升级周期的时候会产生麻烦。
所以,我的建议是,寻找每个端口都可以提供1 GbE、2.5 GbE、5 GbE以及10 GbE的交换机,并且是PoE供电。从本质上来说,这种策略是面向未来的。我觉得应该没有人的计划范围会超过10 Gbps,至少在未来10年内甚至更长时期内不会出现这种情况。能够提供各种组合端口速度的交换机最终将会对终端用户组织最有价值,无论规模大小。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。